ForamDeepSlice：基于 2D 微-CT 切片的高精度有丛虫种类分类深度学习框架
计算机视觉与模式识别
2026-03-10 v2 人工智能
机器学习
摘要
本研究提出了一套完整的深度学习管线，用于从 3D 扫描的 2D 微-CT 切片中自动分类有丛虫种类。我们构建了一个包含 97 件微-CT 扫描标本、覆盖 27 个种类的科学严谨数据集，挑选出 12 个代表性种类（每个种类至少包含 4 个 3D 模型），以保证分类任务的稳健性。为确保方法的严谨性并防止数据泄漏，我们采用标本级别的数据划分方式，最终得到 109,617 张高质量 2D 切片（其中 44,103 张用于训练，14,046 张用于验证，51,468 张用于测试）。我们评估了七种主流的 2D 卷积神经网络（CNN）架构的迁移学习性能。最终的集成模型 ForamDeepSlice（FDS），由 ConvNeXt-Large 与 EfficientNetV2-Small 组合而成，在所有种类的测试准确率达到 95.64%，Top-3 准确率达到 99.6%，受试者工作曲线下面积（AUC）为 0.998。为便于实际部署，我们开发了交互式的高级仪表板，支持实时切片分类与 3D 切片匹配，采用先进的相似性度量指标（包括 SSIM、NCC 与 Dice 系数）。本工作为 AI 辅助微古生物学鉴定树立了新基准，提供了完整可复现的有丛虫分类研究框架，弥合了深度学习与应用地质学之间的鸿沟。
引用
@article{arxiv.2512.00912,
title = {ForamDeepSlice: A High-Accuracy Deep Learning Framework for Foraminifera Species Classification from 2D Micro-CT Slices},
author = {Abdelghafour Halimi and Ali Alibrahim and Didier Barradas-Bautista and Ronell Sicat and Abdulkader M. Afifi},
journal= {arXiv preprint arXiv:2512.00912},
year = {2026}
}